diffusers/v0.43.0/pt/modular_diffusers/sequential_pipeline_blocks.md

SequentialPipelineBlocks

SequentialPipelineBlocks são um tipo de bloco múltiplo que compõe outros ModularPipelineBlocks em sequência. Os dados fluem linearmente de um bloco para o próximo usando inputs e intermediate_outputs. Cada bloco em SequentialPipelineBlocks geralmente representa uma etapa no pipeline, e, ao combiná-los, você constrói gradualmente um pipeline.

Este guia mostra como conectar dois blocos em um SequentialPipelineBlocks.

Crie dois ModularPipelineBlocks. O primeiro bloco, InputBlock, produz um valor de batch_size e o segundo bloco, ImageEncoderBlock, usa batch_size como inputs.

from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class InputBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="prompt", type_hint=list, description="list of text prompts"),
            InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="batch_size", description="calculated batch size"),
        ]

    @property
    def description(self):
        return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument."

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        batch_size = len(block_state.prompt)
        block_state.batch_size = batch_size * block_state.num_images_per_prompt
        self.set_block_state(state, block_state)
        return components, state

import torch
from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class ImageEncoderBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"),
            InputParam(name="batch_size", type_hint=int),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="image_latents", description="latents representing the image"),
        ]

    @property
    def description(self):
        return "Encode raw image into its latent presentation"

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        # Simulate processing the image
        # This will change the state of the image from a PIL image to a tensor for all blocks
        block_state.image = torch.randn(1, 3, 512, 512)
        block_state.batch_size = block_state.batch_size * 2
        block_state.image_latents = torch.randn(1, 4, 64, 64)
        self.set_block_state(state, block_state)
        return components, state

Conecte os dois blocos definindo um SequentialPipelineBlocks. Liste as instâncias dos blocos em block_classes e seus nomes correspondentes em block_names. Os blocos são executados na ordem em que aparecem em block_classes, e os dados fluem de um bloco para o próximo por meio de PipelineState.

class ImageProcessingStep(SequentialPipelineBlocks):
    """
    # auto_docstring
    """
    model_name = "my_model"
    block_classes = [InputBlock(), ImageEncoderBlock()]
    block_names = ["input", "image_encoder"]

    @property
    def description(self):
        return (
            "Process text prompts and images for the pipeline. It:\n"
            " - Determines the batch size from the prompts.\n"
            " - Encodes the image into latent space."
        )

Ao criar um SequentialPipelineBlocks, propriedades como inputs, intermediate_outputs e expected_components são agregadas automaticamente dos sub-blocos, portanto não é necessário defini-las novamente.

Existem algumas propriedades que você deve definir:

• description: Recomendamos adicionar uma descrição para o bloco montado para explicar o que a etapa combinada faz.
• model_name: Isso é derivado automaticamente dos sub-blocos, mas nem sempre está correto, então você pode precisar sobrescrevê-lo.
• outputs: Por padrão, isso é o mesmo que intermediate_outputs, mas você pode configurá-lo manualmente para controlar quais valores aparecem no documento. Isso é útil para mostrar apenas as saídas finais, em vez de todos os valores intermediários.

Essas propriedades, juntamente com os inputs, intermediate_outputs e expected_components agregados, são usadas para gerar automaticamente a propriedade doc.

Imprima o bloco ImageProcessingStep para inspecionar seus sub-blocos e use doc para um resumo completo das entradas, saídas e componentes do bloco.

blocks = ImageProcessingStep()
print(blocks)
print(blocks.doc)